Enterprise Data Management: nut en noodzaak Ronald Jonker RE RA, drs. Jeroen Tegelaar en drs. Jan Geurtsen Enterprise Data Management betreft het geheel van activiteiten gericht op het zorgvuldig, logisch, bedrijfsmatig en verantwoord organiseren van data. In dit artikel wordt ingegaan op de achtergronden van de relatieve populariteit van datamanagement bij veel organisaties de afgelo pen jaren. Waar richt datamanagement zich eigenlijk op? Waarom is goed datamanagement zo belangrijk? En, als organisaties dit willen organiseren, hoe doen ze dat dan? Dit artikel beoogt daarop een antwoord te geven.
Inleiding R.A. Jonker RE RA
is partner bij KPMG IT Advisory.
[email protected]
Drs. J.A.C. Tegelaar is senior manager bij KPMG IT Advisory.
[email protected]
Drs. J.M.B. Geurtsen is junior adviseur bij KPMG IT Advisory.
[email protected]
Compact_ 2012 2
Onze digitale wereld hangt van informatie aan elkaar. Gegevens zijn overal. Waarom maken zoveel bedrijven, organisaties, analisten en adviseurs zich daar zo druk om? Data zijn representaties van feiten. Door data in context te plaatsen wordt informatie gecreëerd. De afwezigheid van goed datamanagement betekent vaak automatisch dat management- en sturingsinformatie niet effectief zijn. Dit zal een organisatie op den duur zodanig verlammen, dat zij niet meer goed kan functioneren. De reden hiervoor is dat belangrijke besluiten te laat worden genomen door dat managementinformatie niet meer wordt vertrouwd. Verder gaat de afhandeling van bedrijfsprocessen op afdelingsniveau steeds meer tijd en inzet vergen, doordat de werkzaamheden van divisies niet goed op elkaar zijn afgestemd. Iedereen creëert en beheert in deze situatie alleen de gegevens nodig voor het uitvoeren van de eigen werkzaamheden en hanteert om die reden een eigen set
3
van datadefinities. Omdat afdelingen elkaar onzorgvul digheden gaan verwijten worden controlemaatregelen op elkaar gestapeld en stokt het bedrijfsproces nog meer, met een neerwaartse spiraal tot gevolg. Er is dus een dwingen de bedrijfsmatige reden om datamanagement een zelfstan dige en professionele plaats binnen organisaties te geven. Daarnaast dwingt wet- en regelgeving ook tot het gestruc tureerd inrichten van datamanagement. Wetgeving in de financiële sector zoals Basel en Solvency vereist dat een mechanisme voor datakwaliteit en herleidbaarheid van in rapportages gebruikte informatie geborgd is binnen de organisatie. Basel II stelt in dit verband: ‘The bank must have in place a process for vetting data inputs into a statis tical default or loss prediction model which includes an assessment of the accuracy, completeness and appropriate ness of the data specific to the assignment of an approved rating’. Kwalitatief datamanagement is belangrijk om te kunnen voldoen aan deze eisen. Het correct vastleggen van data in de systemen is daarbij één van de meest tijdrovende onderdelen van een dergelijk programma. In een derge lijke situatie is het lastig om te voldoen aan externe eisen voortvloeiend uit wet- en regelgeving en aan afspraken gemaakt met leveranciers en klanten. Enterprise Data Management is het geheel van activiteiten binnen organisaties dat zich richt op het op een gestruc tureerde wijze identificeren, classificeren, registreren, modelleren, ontsluiten, beveiligen, archiveren en vernie tigen van gegevens. De term ‘enterprise’ geeft daarbij het organisatiebrede karakter weer van datamanagement.
Context Strategy
Company
ed ur
ur ed ct ru St
Figuur 1. Waarde van data in context gebracht. Enterprise Data Management: nut en noodzaak
Control
ct
tru
i-s
Data
4
Governance
Intelligence
m
e /s ed ur
ct
tru
s Un
Value Chain
Process Task
Information
Als tweede de CEO van een olie-exploratie- en productie bedrijf die zich realiseert dat goed datamanagement voor zijn bedrijf een volgende stap naar business excellence is en hem in staat stelt zich te onderscheiden van zijn concur renten: ‘Continuous improvement efforts will now focus on taking advantage of these changes and uncover the hidden value they offer. This means driving simplified processes and strengthened data management to provide quicker and better-informed decision-making, greater responsiveness to customer needs, and less waste – all resulting in greater competitive performance.’
Data als een asset
Data zijn, zoals aangegeven, representaties van feiten. Op een bedrijfsomgeving geprojecteerd zijn het ‘feiten omtrent de bedrijfsvoering’. Zonder context of structuur hebben deze gegevens geen meerwaarde voor een onderne ming. Zij missen inhoud en betekenis om echt van toege voegde waarde te zijn voor het bedrijf. Wij maken hierbij een onderscheid tussen gestructureerde gegevens (opge slagen en geordend in een database) en ongestructureerde TheSansBold 8,5/10 gegevens (in de vorm van documenten, bestand, afbeel TheSansSemiBold 8,5/10 ding, tekstbericht, formulier, video of geluidsopname die TheSansSemiBoldItalic 8,5/ niet te vervatten zijn in rijen, kolommen of records). 1
Expertise
Knowledge
Dat datamanagement zo’n cruciale rol speelt in de bedrijfs voering wordt onderstreept door uitspraken van enkele organisatiebestuurders. Aloys Kregting, CIO van DSM en in 2011 gekozen tot CIO van het jaar, zegt daarover: ‘De CIO zou zich met name druk moeten maken over de waarde van informatie. Je moet heel goed weten welke mensen welke informatie wanneer nodig hebben, en dat boven dien faciliteren. Dat onderstreept nogmaals het belang van het reportingstuk en masterdatamanagement.’
1
Zonder aanvullende informatie is het moeilijk zo niet onmogelijk deze data te classificeren, te registreren en te ontsluiten. Op het moment dat wij aan deze data context toevoegen krijgen de data betekenis. We voegen dan een referentie toe, een datum en tijdstip, de betekenis van de boodschap, een formaat. De data krijgen daarmee struc tuur en worden informatie. Als we verschillende infor matiebronnen met elkaar in verband brengen, door het maken van relaties en het identificeren van patronen, dan verwordt informatie tot kennis. Dit is ook de toegevoegde waarde van business intelligence (BI): het verbinden van verschillende informatie-eenheden in een organisatie ten behoeve van de besluitvorming door de leiding van het bedrijf. Zie hiervoor ook figuur 1.
Data kunnen worden beschouwd als een bedrijfsasset
Organisaties die het best in staat zijn hun gegevens te structureren tot bete kenisvolle informatie en deze informatie op een logische manier weten te ont sluiten voor de kenniswerkers binnen het bedrijf, zullen beter in staat zijn hun concurrenten de baas te blijven. Het benutten van de inherente commerciële kracht van deze data zal bedrijven en organisaties een strategische voorsprong geven op hun concurrenten. Eric Schmidt, toenmalig CEO van Google, zei in 2010: ‘I don’t believe society understands what happens when everything is available, knowable and recorded by everyone all the time.’1 En Gartner stelt: ‘In the private sector we estimate, for example, that a retailer using big data to the full has the potential to increase its operating margin by more than 60%.’ ([McKi11])
Maar het gaat niet alleen om het goed structureren en ontsluiten. Een aantal jaren was de heersende gedachte dat BI het probleem van goede managementinformatievoor ziening zou oplossen. Alle grote bedrijven en instellingen in de wereld hebben kostbare BI-programma’s uitgevoerd en dure applicaties geïmplementeerd. Toch is de bedrijfs leiding niet tevreden. BI ontsluit niet alle bedrijfsgegevens, het richt zich in de praktijk vooral op gestructureerde data, waarbij onvoldoende aandacht bestaat voor de waar de van ongestructureerde gegevens. Rapportages kunnen bovendien niet makkelijk worden aangepast, waardoor ze vaak niet voldoende gericht zijn op de bedrijfsbehoeften op een bepaald moment. KPMG stelt op basis van onderzoek: ‘Huge investments in IT do not necessarily guarantee better information. What is more important is to funda mentally change the way data is gathered, processed and presented.’ ([KPMG09]) Gestructureerde data die door een datawarehouse worden ontsloten, zijn waardeloos als de kwaliteit van die data niet goed is. Ongestructureerde gegevens (ca. 85% van alle bedrijfsgegevens) kunnen niet via een datawarehouse worden ontsloten. De vraag is dan hoe je deze data ‘goed’ krijgt en wat goed datamanagement voor ongestruc tureerde gegevens is. Goed betekent in deze context in overeenstemming met de kwaliteitseisen die daaraan door de organisatie worden gesteld2. Het is duidelijk dat goede data niet iets is wat vanzelf ontstaat. Er is een beheerkader nodig. Het beheerkader omvat activiteiten die een bedrijf logisch en zorgvuldig moet ordenen en beleggen in de organisatie. Dit is datamanagement en omvat alle activiteiten binnen organisaties gericht op de bedrijfsvoering om gegevens op een gestructureerde wijze te identificeren, classificeren, registreren, modelleren,
Compact_ 2012 2
Enterprise Data Management
ontsluiten, beveiligen, archiveren en te vernietigen. We hanteren hiervoor de term Enterprise Data Management (EDM), omdat het activiteiten betreft die bedrijfsbreed over organisaties worden uitgevoerd. Het besef dat het goed beheren van gegevens waarde kan toevoegen aan bedrijfsactiviteiten en het bedrijfsresultaat bracht analisten en adviseurs ertoe om data op gelijke hoogte te stellen met andere bedrijfsmiddelen, zoals grond, gebouwen en het machinepark. In dit verband wor den data ook wel omschreven als een bedrijfsasset. Assets moeten goed worden beheerd: goed onderhouden, goed beveiligd, er moet een eigenaar zijn die toezicht houdt en een asset moet ook tijdig worden vervangen. Net als andere assets kunnen data ook worden verkocht. Er kan waarde aan worden ontleend. Denk maar aan adresbestan den die zowel voor bonafide als voor malafide bedrijven een zekere waarde vertegenwoordigen. Leiders van toonaangevende bedrijven in de wereld reali seren zich dit terdege. Op hun actielijst prijken prominent datagerelateerde programma’s. The Hackett Group stelt: ‘What companies are recognizing is that they have thrown lots of money at the applications but without standardi zing and cleansing their data they are still getting infor mation that does not make sense. They have businesses that are using different definitions, that are calculating metrics differently, that use different hierarchies. This whole concept of master data management is absolutely critical for companies to be able to eventually get to the point where they have predictive analytics.’3. De business case om master data management (MDM) programma’s te starten lijkt evident: ‘By 2013, MDM will reduce organi zations’ data redundancy, which can save 80% of the costs associated with managing redundant data’. ([Gart10])
1. Zie http://online. wsj.com/article/SB100 0142405274870490110 4575423294099527212. html. 2. In het artikel ‘Datakwaliteits onderzoek’ van R.A. Jonker in deze Compact wordt nader ingegaan op het begrip kwaliteit en kwaliteits aspecten. 3. CFO’s top priority for 2011? Get a grip on performance manage ment – published on business finance, http://businessfinan cemag.com – based on a study by the Hackett Group.
Modellen voor Enterprise Data Management Over het beheersen van data wordt al tijden nagedacht en er zijn dan ook modellen en methodieken te over, die allemaal claimen het beste antwoord voor de inrichting van Enterprise Data Management te hebben. De Interna tional Organization for Standardization, beter bekend als ISO, kent talloze standaarden die elk op zich weer een deelaspect van het spectrum van data behandelen. Zo gaat ISO 27001 in op de beveiliging van informatie. ISO 15489 is
5
de norm die wordt gehanteerd voor het management van informatie vanuit een archiveringsperspectief. ISO 23081 is de standaard voor metadata. Verder kan men ISO 19005 gebruiken als richtlijn voor de verschijningsvorm van data. Standaarden in overvloed. Andere kaders als COSO en raamwerken als Cobit en ISF spreken over het belang van data in een bredere zin, maar alleen vanuit het risico perspectief.
Data Management Body of Knowledge Een meer compleet model lijkt dat van DAMA-DMBOK te zijn. Het omvat een verzameling van ‘best practices’ op het terrein van datamanagement, die over meerdere jaren zijn aangevuld met nieuwe inzichten uit de praktijk. De DAMA-DMBOK Guide (voluit: Data Management Body of
Knowledge) is een uitgave van de Data Management Asso ciation, een internationale organisatie die zich richt op datamanagers en dataprofessionals voor het verspreiden van kennis rondom datamanagement. Het DMBOK onderscheidt tien verschillende datafuncties. Deze functies zijn weergegeven in figuur 2. Data gover nance is de functie die de andere domeinen met elkaar verbindt. Voor elk van de domeinen dient rekening gehou den te worden met omgevingsfactoren, zoals de huidige werkwijze en procedures, de gebruikte techniek en organi satiecultuur. DAMA kent echter ook zijn zwakke punten. Bijvoorbeeld: het feit dat de benoemde functies slechts op hoofdlijnen naar elkaar verwijzen, zodat een gebruiker niet altijd
• Specification • Analysis • Measurement • Improvement
• Architecture • Integration • Control • Delivery
Data Quality Management
• Enterprise Data Modeling • Value Chain Analysis • Related Data Architecture
Metadata • Acquisition & Storage Management • Backup & Recovery Data Architecture • Content Management Data Management • Retrieval Document & Governance • Retention Content • Strategy Management • Organisation & Roles Data • Policies & Standards Development • Projects & Services DWH & BI • Architecture • Issues Management • Implementation • Valuation • Training & Support Database Operations • Monitoring & Tuning Reference Management & Master Data Management Data Security Management • External/internal codes • Customer Data • Product Data • Dimension Management • Standards • Taxonomy/Ontology • Classification • Administration • Authentication • Auditing
Figuur 2. Datadomeinen volgens DAMA ([DAMA09]).
6
Enterprise Data Management: nut en noodzaak
• Analysis • Data Modeling • Database Design • Implementation
• Acquisition • Recovery • Tuning • Retention • Purging
Enterprise Data Management Data Governance Data Architecture Master Data Management
Content Management
Archiving
Data Quality Management
Distribution
Data Warehousing
Business Intelligence
Acquisition & Authoring
de relatie tussen de functies ziet en daarmee het bredere belang. Verder lijkt DAMA zich vooralsnog op traditionele, gestructureerde data te richten. Er wordt bijvoorbeeld nog weinig over het belang van content uit sociale media gesproken. Data security binnen DAMA is vooral toege spitst op de technische bescherming van gegevens. Daar naast is ook het verschil in hoe generaties omgaan met data nog niet expliciet als relevante factor meegenomen (omgevingsfactor). Tot slot, en dat is misschien wel het grootste bezwaar, is het vooral een conceptueel denkkader. Het mist praktische voorbeelden om begrippen en termen voldoende duidelijk te maken aan de lezer. Dat levert het risico op van inconsistente interpretatie. Hoe het frame work dient te worden geïmplementeerd wordt ook niet duidelijk. Dat staat juist haaks op de primaire doelstelling van een body of knowledge. Dat zou namelijk moeten beogen dat het gebruik ervan consistentie in de toepassing van datamanagement bevordert.
Governance operations • Meta Data Management • Database Management • Data Security • Change Management • Process Monitoring • Identity Management
Figuur 3. KPMG Enterprise Data Management model.
KPMG Enterprise Data Management model De hiervoor vermelde modellen bevatten belangrijke elementen die bij het realiseren van een professionele datamanagementorganisatie in acht moeten worden geno men. Voor het operationaliseren van datamanagement is echter nog een aantal andere aspecten van belang, die niet door deze modellen worden afgedekt. Ten eerste betreft dit het feit dat data worden uitgewisseld tussen systemen zowel binnen de organisatie als tussen de organisatie en derden. Datamanagement hoort dan zorg te dragen voor goede afspraken over het formaat waarin data worden aangeleverd, de validatie op de kwaliteit van de aangeleverde data, mogelijke verrijkingsslagen voordat de data verder worden verwerkt en eventuele procedures indien fouten optreden in het proces. Deze activiteiten groeperen wij onder de termen ‘acquisition and authoring’ en ‘distribution’. Verder dient EDM er ook voor te zorgen dat het EDMbouwwerk als geheel kan worden onderhouden. De organisatie moet beschikken over processen voor het vastleggen van bewijsstukken en problemen die tijdens de operationele uitvoering van EDM-activiteiten worden geïdentificeerd. Dat die worden besproken in de EDMgovernance overlegorganen en dat die tot aanpassing van bestaande procedures en technieken leiden. Daarbij kan gedacht worden aan een situatie dat het data quality dash board dat binnen een organisatie wordt gebruikt, moet worden aangepast omdat de organisatie een nieuw dataob ject wil monitoren. Er behoort dan een ‘change process’ te
Compact_ 2012 2
Enterprise Data Management
zijn dat besluitvorming over deze wijziging voorbereidt en na het besluit de wijziging doorvoert in het dashboard. Tot slot dienen alle door een organisatie uitgevoerde EDM-activiteiten op effectiviteit en efficiency te worden beoordeeld. Net als de primaire processen binnen een organisatie geldt ook voor EDM dat er een ‘plan, do, check, act’-mechanisme hoort te zijn waarmee kan worden nage gaan of de uitvoering van de EDM-activiteiten in overeen stemming is met de afspraken die daarover zijn gemaakt. ‘Proces monitoring’ maakt dit mogelijk en stelt de EDMorganisatie in staat eventuele afwijkingen zelfstandig te identificeren en corrigerende maatregelen te nemen. Een en ander vertaalt zich in het KPMG EDM-model dat in figuur 3 is weergegeven. Hieronder volgt een korte beschrijving van de belangrijk ste elementen in het model.
•• Data Governance richt zich op het (aan)sturen van datamanagementactiviteiten. Zaken als strategie, beleid, rollen, taken en verantwoordelijkheden vallen hieronder. •• Data Architectuur gaat om het vaststellen en vastleggen van de dataobjecten en datastructuren binnen een organi satie in datamodellen. Deze vormen de basis voor informa tieanalyse en proces- en systeembouw. •• Master Data Management betreft het borgen van de kwaliteit van master- en referentiedata. Het uiteindelijke doel is unieke (‘golden’) records te creëren. 7
Geen enkele datamanagement activiteit kan succesvol worden ontwikkeld en geïmplementeerd als data governance ontbreekt binnen de organisatie
•• Data Warehousing is de activiteit die zorgt voor het definiëren van de architectuur van het opslaan van data in relationele databases. •• Business Intelligence zorgt voor het ontsluiten van data die in datawarehouses zijn opgenomen zodanig dat zij informatie leveren voor de organisatieleiding, op basis waarvan zij besluiten kan nemen. •• Data Quality Management betreft het op gestructureer de wijze vastleggen van kwaliteitscriteria, het analyseren van de feitelijke datakwaliteit en het rapporteren daarover. •• Content Management richt zich op het classificeren van data, het structureren van documentstromen en het ontsluiten daarvan. •• Archivering richt zich op het verplaatsen van niet actief gebruikte data naar andere omgevingen. •• Onder de Governance Operations is metadata de infor matie over datamanagementelementen, zoals technische en functionele beschrijvingen van dataobjecten en data modellen. Database Management richt zich op het ope rationele technisch beheer van databases. Data Security richt zich op het beveiligen van data tegen ongeoorloofde inbreuken op die data. Identity Management tot slot regelt de toegang tot data. Voor een meer gedetailleerde beschrijving van een aantal van deze elementen van EDM verwijzen wij u naar de afzonderlijke bijdragen over EDM-elementen die in deze Compact zijn opgenomen.
EDM vanuit organisatieperspectief Rest ons in dit artikel nog het antwoord op de vraag hoe het EDM-model praktisch gezien kan worden geïmple menteerd. Als men de verschillende onderdelen van EDM doorloopt zoals die door ons in figuur 3 zijn opgenomen en op zich laat inwerken, dan zal al snel de indruk ontstaan dat er weinig logische ordening in deze onderdelen aanwezig is. Figuur 3 laat zien dat er niet een voorgestelde prioritering is of fasering van opbouw en implementatie van de ele menten. Duidelijk is wel dat data governance alle andere elementen verbindt. Daarmee willen we aangeven dat er geen ordening tussen de domeinen is en dat de volg orde waarin de onderdelen van EDM worden behandeld willekeurig van aard is. Een uitzondering betreft data
8
Enterprise Data Management: nut en noodzaak
governance. De schakel die data governance is tussen alle andere onderdelen van EDM geeft goed weer dat eigenlijk geen enkele datamanagementactiviteit succesvol kan worden ontwikkeld en geïmplementeerd als er geen data governance is binnen organisaties. Data governance legt het fundament voor alle datama nagementactiviteiten. Zonder het fundament zijn het losse bouwstenen die zonder structuur en verbinding min of meer in het luchtledige hangen. Het kan ertoe leiden dat BI-oplossingen worden aangeschaft en geïm plementeerd, terwijl er onvoldoende datastandaarden of datadefinities zijn, dan wel dat de datakwaliteit die nodig is om tot betrouwbare managementinformatie te komen te wensen overlaat. Het kan eraan bijdragen dat systemen worden ontworpen en aangeschaft die niet aansluiten op andere systemen, omdat er geen overkoepelend enterprise datamodel is dat als basis dient voor alle systeemontwik keling. Het kan er tot slot toe leiden dat een organisatie actief gebruikmaakt van de sporen die internetgebruikers op websites achterlaten, zonder rekening te houden met privacyregels, hetgeen tot imagoschade en aansprakelijk heid leidt. Data governance zorgt ervoor dat er een bedrijfsbrede visie en strategie voor datamanagement bestaat, die door de leiding van het bedrijf gedragen wordt. De visie vertelt ons wat we willen bereiken. De strategie hoe wij dat gaan bereiken. Zij geven als het ware de ambitie van de organisa tie weer. Alle datagerelateerde activiteiten dienen te pas sen binnen deze visie en strategie zorgt voor consistentie van deze activiteiten. De strategie dicteert ook de scope van datamanagement binnen een organisatie. Niettegen staande het overkoepelende DAMA-model kunnen organi saties ervoor kiezen bepaalde zaken buiten beschouwing te laten, omdat ze wellicht al decentraal worden ingevuld. Een veelvoorkomend fenomeen is bijvoorbeeld dat HR haar eigen datamanagementorganisatie creëert en maar beperkt gebruikmaakt van de richtlijnen en standaarden die de centrale datamanagementorganisatie heeft ontwikkeld. Data governance zorgt ook voor aandacht voor het opstel len van beleidsregels. Denk daarbij aan een informatie
beveiligingsbeleid, beleidsregels omtrent de gegevens architectuur, archivering en datakwaliteit. Verder zorgt data governance voor de organisatorische inbedding van datamanagement: wie is er uiteindelijk verantwoordelijk, waar en hoe worden besluiten genomen over strategie, beleid, standaarden, rollen, eigenaarschap. Bijvoorbeeld: hoe en wanneer wordt er gerapporteerd over datamanage mentactiviteiten binnen de organisatie? Op welke manier organiseren wij de uitvoering van masterdataonderhouds activiteiten? Het moge aan de hand van deze uitwerking duidelijk zijn dat data governance de basis is voor goed datamanage ment. In welke fase van volwassenheid organisaties ook verkeren, het loont altijd om de kwaliteit van data gover nance tegen het licht te houden en na te gaan of de invul ling daarvan voldoet. Stel dat een organisatie data governance op orde heeft. Zijn er dan handvatten of best practices die duidelijk maken welke van de andere datamanagementonderdelen qua prioritering voor optimalisatie in aanmerking komen? Eigenlijk is dat niet het geval. Dat wil zeggen dat onze ervaring zegt dat dit afhankelijk is van de prioriteiten die uit de agenda van de organisatie zelf voortvloeien. Stel een organisatie besluit een legacy-informatiesysteem door een nieuw ERP-systeem te vervangen. Men zou zich dan de vraag kunnen stellen welke impact dit heeft op datamanagement. Wat heeft dan de hoogste prioriteit? Dit kan ertoe leiden dat als gevolg van de noodzakelijke datamigratie ‘Data Quality Management’ prioriteit krijgt. Dat vervuilde data worden geschoond, de metadatadocu mentatie wordt aangepakt en het masterdatamanage
Visie
Strategie
ment wordt verbeterd. De implementatie van een dataintegratietoepassing kan er bijvoorbeeld toe leiden dat het data-architectuurmodel wordt geactualiseerd en dat een datakwaliteittoepassing wordt geselecteerd en geïmple menteerd om data te schonen en te verrijken voordat deze met andere platformen wordt uitgewisseld. Concluderend zijn wij van mening dat vanuit de data governance-basis, afhankelijk van de businessagenda van de organisatie, die datamanagementactiviteiten moeten worden opgepakt die op dat moment de meeste toegevoeg de waarde leveren bij het realiseren van die agenda. Een en ander is weergegeven in figuur 4. Vanuit visie en strategie wordt het bedrijfsmodel gerealiseerd dat nodig is om de in de visie en strategie neergelegde doelstellingen te realise ren. Dit bedrijfsmodel stelt eisen aan de primaire en onder steunende processen. Om deze processen te kunnen laten functioneren zijn middelen nodig. Deze kunnen nader worden onderverdeeld in menskracht, data en IT-midde len. Wat en hoeveel in een bepaald geval aan de datakant nodig is wordt bepaald door de bedrijfsagenda. EDM biedt handvatten voor de wijze waarop dit moet worden georga niseerd. Dat is maatwerk en laat zich niet vangen in een vast patroon van datamanagementactiviteiten.
Conclusie In deze bijdrage hebben wij een uiteenzetting gegeven over EDM als aanpak voor het beheren van alle data die een organisatie voortbrengt. Een goede invulling hiervan zorgt ervoor dat deze data voldoen aan de kwaliteitseisen die organisaties daaraan stellen. Het zorgt ervoor dat data die nodig zijn om processen uit te voeren en het manage
Bedrijfsmodel
Processen
Middelen
Mensen
Data
IT
EDM
Figuur 4. Relatie tussen bedrijfsmodel en EDM. Compact_ 2012 2
Enterprise Data Management
9
Het is de bedrijfsstrategie en prioritering die in de operationalisatie bepaalt welke van de onderdelen van EDM worden opgepakt
ment gefundeerde beslis singen te laten nemen juist, volledig en tijdig beschikbaar zijn. Daarmee is data een ‘asset’ die net als alle andere bedrijfsas sets moet worden beheerd. Wij hebben verder invul ling gegeven aan de samenstellende delen van EDM. Daarmee is een raamwerk van beheeractiviteiten ontstaan die het fundament vormen voor het borgen van datakwaliteit. Tot slot hebben wij betoogd dat het imple menteren van die samenstellende delen niet volgens een vast stramien kan plaatsvinden. Het is de bedrijfsstra tegie en prioritering die in de operationalisatie bepaalt welke van de onderdelen van EDM worden opgepakt en geoptimaliseerd. Een cruciale plaats daarin vervult data governance, die zorgt voor een bedrijfsbrede en door het management gedragen visie en strategie voor EDM.
Literatuur [DAMA1] The DAMA Guide to The Data management Body of Knowledge (DAMA-DMBOK Guide), p. 7. First Edition, 2009. Via http://franklybi.blogspot.com/. [Gart10] Gartner, Hype Cycle for master data management, 2010. [KPMG09] KPMG International, Does your Business Intelligence tell you the whole story?, 2009. [McKi11] McKinsey Global Institute, Big Data: the next frontier for innovation, competition and productivity, McKinsey & Company, 2011.
Over de auteurs R.A. Jonker RE RA is partner bij KPMG IT Advisory en Service Line Leader voor Enterprise Data Management. Hij adviseert bedrijven en instellingen over het opzetten en implementeren van bedrijfsbrede datamanagementtoepassingen. Drs. J.A.C. Tegelaar is als senior manager werkzaam bij KPMG IT Advisory. Hij is binnen de Service Line Enterprise Data Management het aanspreekpunt voor vragen op het terrein van data governance en content management. Zijn verdere specialis men betreffen vraagstukken op het terrein van de beheersing en ontsluiting van ongestructureerde data en vraagstukken op het terrein van archivering. Drs. J.M.B. Geurtsen werkt als junior adviseur bij KPMG IT Advisory. Hij is de afgelopen jaren betrokken geweest bij trajec ten van informatiebeveiliging en data-archivering, met name in de financiële sector.
10
Enterprise Data Management: nut en noodzaak